一种基于独立分量分析的模糊图像盲分离算法

利用独立分量分析(ICA)的不完整自然梯度算法对因混合而引起的多幅模糊灰度图像进行盲分离,并针对算法中的非线性函数与源信号概率分布密切相关,而源信号的分布却是未知的先验信息的问题,利用算法输出信号的峰度对非线性激活函数进行自适应选择,提出了一种改进的自适应不完整自然梯度算法,并将其应用于模糊图像的盲分离,分析了不同混合矩阵对本文算法恢复原始灰度图像的影响及算法性能。仿真结果证明了本文算法与经典的FastICA算法相比,计算耗时更少、性能指标明显优越。

基于符号算子的变步长不完整自然梯度算法

通过引入不完整约束使不完整自然梯度算法有效克服传统自然梯度算法的缺点和不足,即当源信号幅度随时间快速变化或在某段时间为零时,不完整算法仍能较好地工作.同时,从一般动态分离模型中推导出的符号算子可改善算法的收敛性.结合上述两种思想提出一种基于符号算子的不完整自然梯度算法,增加基于代价函数梯度的变步长运算以平衡算法中收敛速度和稳态误差之间的矛盾.仿真结果表明,改进算法的性能明显优于传统算法,在保持良好稳态误差的基础上大大加快收敛速度.

基于变步长的混合图像自适应盲分离算法

根据混合信号的分离程度,提出了一种新的图像信号分离算法,通过建立分离矩阵控制步长因子变化,利用自适应不完整自然梯度法实现图像的有效分离。新算法既很好地解决了固定步长算法收敛速度和稳态误差之间的矛盾,也解决了其他变步长算法须选择较小初始步长才能实现分离的问题。仿真结果表明新算法收敛速度快,稳态误差小,综合分离性能明显优于其他算法。

基于不完整约束自然梯度算法的多道盲解卷

针对多输入多输出(MIMO)系统的Bussgang算法可能收敛到错误的解,而且收敛速度慢的缺点。章提出了不完整约束的自然梯度算法,该算法是由不完整约束条件与自然梯度算法的结合而推导出来的。通过计算机仿真对这两种多道盲解卷算法进行了比较,仿真试验表明:提出的算法收敛速度快,并且比Bussgang算法稳定。

一种改进的自适应不完整自然梯度盲源分离算法

与自然梯度盲源分离算法相比,不完整自然梯度算法避免因源信号非平稳或幅值快速变化而引起的数值不稳定.在深入分析和推导该算法的基础上,针对其中非线性激活函数难以确定的困难,提出一种利用峰度对激活函数进行自适应选择的改进算法.该算法无需已知源信号的先验信息,既保留了不完整自然梯度算法恢复非平稳源信号的优势,又可使其适用于服从任意分布的源信号.仿真比较结果表明,该方法性能优于选择正切函数作为激活函数的不完整自然梯度算法,分离效果较好.